关于为什么sklearn画出来的ROC曲线图是折线的问题

最新推荐文章于 2024-04-16 09:16:49 发布
最新推荐文章于 2024-04-16 09:16:49 发布
阅读量6.1k 收藏 6
点赞数 4
分类专栏： 笔记 文章标签： sklearn 机器学习 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/TTLoveYuYu/article/details/120229238
版权

经过

师兄的提醒，我将单一值的标签图用最初的概率图进行替换。
不要扯什么这个那个，就是不能用阈值去将概率图变成最终的分割图，那个阈值就是ROC曲线图中需要的，我们只要提供模型分割的概率图即可。

评论区中有小伙伴不理解这个概率图的问题，解释如下：
1、在模型最后的输出部分会经过一次分类激活，这其中的过程就是将概率（0-1）转换为真实的标签（0）| （1）。
2、在经过激活转换后得到的图像会很直，并且会出现转折点。

故，在模型激活之前保存神经网络的结果就能得到所谓的概率图啦！

问题解决！

sigmoidAndRELU
关注
  • 4
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
专栏目录
ROC曲线与“代价曲线”（cost-curve）的探究（1）
xiaoyi1888的博客
06-17 2172
引言   很多分类器是为测试样本产生一个实值或概率预测，然后将这个预测值与一个分类阈值进行比较，若大于阈值则分为正类，否则为负类。   在不同的应用任务中，根据实际需要，可以选择不同的阈值。如果我们更加重视“查准率(Precision Rate)”，那么可以将阈值选得较大；如果我们更重视“召回率(Recall Rate)”，那么可以将阈值选得较小。   当样本分布给定的时候，对于特定的阈值，我们都可以用该分类器进行测试，计算出真正例率(True Positive Rate，简称TPR，TPR=TPTP+FN
roc曲线的一点感悟
weixin_37834753的博客
09-17 2258
大众roc曲线应该是这样的（左边图），这是预测概率和真是标签之间的关系，那么预测标签和真实标签之间的roc曲线应该是右边这张图。 从图上我们可以直观看出，用概率生成的图比直接用标签对标签生成的图要圆滑好看，为什么会这样子？ 从下面代码我们可以看到，roc有一步是对概率进行了排序，所以生成的曲线比较圆滑，其实他是楼梯式的上升（也可以说下降） 。直接用标签就算排序如果不是多分类，二分类的话很容易...
解决ROC曲线画出来只有一个点的问题
09-17
今天小编就为大家分享一篇解决ROC曲线画出来只有一个点的问题，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
利用scikitlearn画ROC曲线实例
09-16
主要介绍了利用scikitlearn画ROC曲线实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
【ROC曲线】ROC曲线易懂理解与多分类的理解
最新发布
qq_45047062的博客
04-16 4660
ROC曲线，全称Receiver Operating Characteristic Curve（受试者特征曲线）。ROC曲线由灵敏度为纵轴，（1-特异度）为横轴绘制而成。通过绘制ROC曲线可以让读者直观地看到某指标各取值对结局指标的诊断或预测能力。其中名词解释：灵敏度(sensitivity)，即敏感度，是指筛检方法能将实际有病的人正确地判定为患者的比例。特异度(specificity)，是指筛检方法能将实际无病的人正确地判定为非患者的比例。
auc-roc
chivalry
04-29 4096
http://bubblexc.com/y2011/148/ 很多时候，我们希望对一个二值分类器的性能进行评价，AUC正是这样一种用来度量分类模型好坏的一个标准。现实中样本在不同类别上的不均衡分布(class distribution imbalance problem)，使得accuracy这样的传统的度量标准不能恰当的反应分类器的性能。举个例子：测试样本中有A类样本90个，B 类样本
sklearn.metrics中ROC曲线只画出一个点的解决
飞翔的-企鹅的博客
03-23 1822
ROC曲线只有一个折线拐角，可能是你的函数第二个参数传入的值不正确。
ROC曲线的通俗理解
Green2_0的博客
11-05 2万+
在准备机器学习导论课程考试的过程中，发现自己根据西瓜书上的讲解总是也理解不上去ROC曲线的含义。于是在网络上寻求答案，发现一篇讲解得不错的博客【1】，说得比西瓜书好很多，通俗易懂。这里说一下自己的感想和理解对于已经有数据标签的训练样本，可以得到它们的评分：   其中class一栏表示真实值，p为正例，n为反例,这20个样本中有10个正例10个反例；score一栏则是分类器给出的分类评分。一...
机器学习基础：别 乱 用 AUC
机器学习算法那些事
12-03 955
作者：马东什么https://zhuanlan.zhihu.com/p/92792702难得的好文。目前普遍认为接收器工作特性（Receiver Operating Character...
ROC曲线的理解
Growing_hacker的博客
05-23 8975
1 ROC曲线的概念 受试者工作特征曲线 （receiver operating characteristic curve，简称ROC曲线），又称为 感受性曲线（sensitivity curve）。得此名的原因在于曲线上各点反映着相同的感受性，它们都是对同一 信号刺激的反应，只不过是在几种不同的判定标准下所得的结果而已。接受者操作特性曲线就是以假阳性概率（False positive rate...
利用Python画ROC曲线和AUC值计算
09-21
给大家介绍了如何利用Python画ROC曲线，以及AUC值的计算，有需要的朋友们可以参考借鉴，下面来一起看看吧。
myplotROC.zip_ROC曲线_roc_画ROC
07-15
自己制作的可以用来画ROC曲线，非常好用！！！
大白话讲解ROC曲线
骆驼分析师的博客
06-29 1万+
前言：本文用大白话和最简单的案例来解释ROC曲线及部分应用，如有任何问题或错误欢迎各位留言~~ 一、随机选取用户营销的解释（随机线） 横轴：营销用户数（假设有1000万用户数手机号） 纵轴：有响应的用户数（假设如果1000万全部发短信营销，最高会有100万人响应） 即总体响应的用户数占营销用户数的10%。 如果我们随机抽取营销用户数做短信营销时，得到结果应该接近于总体概率。即：
ROC曲线理解
Bruce_0712的博客
05-18 2033
本文用于理解ROC曲线的定义，绘制过程及其应用实现，主要用于自我温习回顾基础 基本目录如下： 什么是ROC曲线？ 1.1 ROC曲线的历史 1.2 ROC曲线的定义 1.3 ROC曲线的应用场景 如何绘制ROC曲线？ 2.1 ROC曲线的绘制原理 2.2 ROC曲线绘制的Python实现 ------------------第一菇 - 什么是ROC曲线------------------ 1.1 ROC曲线的历史 自从读了吴军老师的《数学之美》，我就想明白了一件事情，如果
ROC曲线
djskl的专栏
02-09 1343
一、概述 纵坐标为TPR(True Positive Rate)，横坐标为FPR(False Positive Rate)。TPR反映的分类为“正”的样本在所有"正"样本中所占的比例，FPR反映的是被错误分类为"正"的样本在所有"负"样本中的所占的比例。TPR越大，FPR越小，越好。 二、用途 2.1 参数选择 计算不同参数对应的TPR和FPR，然后以FPR为主排序，并做折线图，越靠近左上
Roc曲线
热门推荐
m0_37228052的博客
01-06 2万+
一、 应用场景 ROC曲线，也称受试者工作特征曲线，感受性曲线；ROC曲线最初是运用在军事上，当前在医学领域使用非常广泛，用于研究X对于Y的预测准确率情况。 案例： 雷达兵的任务在于监视雷达，观察是否有敌机来袭，当然如果有飞鸟来袭，也会出现信号，如果过于谨慎有信号就报告，会增加误报风险，但如果过于大胆，凡是信号都认为是飞鸟这会出现很大风险。ROC曲线正是解决此类问题，即用于尽最大可能研究敌机信号和飞鸟信号之间的区别，以增加预报准确性。 核心在于研究漏报和误报之间的概率分布情况，横坐标表示飞鸟信息不报
ROC和AUC介绍以及如何计算AUC
wsq520521的专栏
11-18 1709
ROC和AUC介绍以及如何计算AUC June 22, 2013 ROC（Receiver Operating Characteristic）曲线和AUC常被用来评价一个二值分类器（binary classifier）的优劣，对两者的简单介绍见这里。这篇博文简单介绍ROC和AUC的特点，以及更为深入地，讨论如何作出ROC曲线图以及计算AUC。 ROC曲线 需要提前说明的是，我们这里只讨论二
sklearn 逻辑回归roc曲线
07-27
在sklearn中，可以使用逻辑回归模型来绘制ROC曲线。首先，需要使用逻辑回归模型进行预测，并得到预测的概率值。然后，使用sklearn.metrics中的roc_curve函数来计算ROC曲线上的点。具体步骤如下： 1. 导入所需的库和模块： ```python from sklearn.linear_model import LogisticRegression from sklearn.metrics import roc_curve ``` 2. 使用逻辑回归模型进行预测： ```python model = LogisticRegression() model.fit(X_train, y_train) y_scores = model.predict_proba(X_test)\[:, 1\] ``` 这里使用predict_proba方法获取预测的概率值，并取第二列的值作为正例的概率。 3. 计算ROC曲线上的点： ```python fpr, tpr, thresholds = roc_curve(y_test, y_scores) ``` 其中，y_test是测试集的真实标签，y_scores是预测的概率值。 通过以上步骤，就可以得到ROC曲线上的点，可以使用这些点来绘制ROC曲线，进而评估逻辑回归模型的性能。\[1\] #### 引用[.reference_title] - *1* *2* [机器学习 | 逻辑回归面试点+三种优化算法手动实现+Sklearn实现+ROC曲线](https://blog.csdn.net/qq_27782503/article/details/88778831)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] - *3* [sklearn——逻辑回归、ROC曲线与KS曲线](https://blog.csdn.net/weixin_30443895/article/details/101453888)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值